| 일 | 월 | 화 | 수 | 목 | 금 | 토 |
|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | |||
| 5 | 6 | 7 | 8 | 9 | 10 | 11 |
| 12 | 13 | 14 | 15 | 16 | 17 | 18 |
| 19 | 20 | 21 | 22 | 23 | 24 | 25 |
| 26 | 27 | 28 | 29 | 30 | 31 |
Tags
- No SQL
- data science
- 김양재 목사님
- 딥러닝
- Machine Learning
- 몽고디비
- 빅 데이타
- Statistics
- Big Data
- 빅 데이터
- c++
- R
- 통계
- 김양재
- 빅데이터
- nodeJS
- 확률
- WebGL
- probability
- 데이터 과학
- node.js
- openCV
- Deep learning
- 김양재 목사
- 인공지능
- 우리들교회
- MongoDB
- Artificial Intelligence
- 빅데이타
- 주일설교
Archives
- Today
- Total
목록최대 가능성 추정 (1)
Scientific Computing & Data Science
[Data Science / Statistics] Constructing Parameter Estimates
이번 글에서는 어떤 분포의 파라미터에 대해 추정하는 방법을 알아보도록 하겠다. 예를 들어, 실험자가 데이터 세트를 얻었으며 이 데이터 세트를 베타 분포라고 가정할 경우 베타 분포의 파라미터를 어떻게 추정할 것인가에 대한 물음이다.이를 해결하는 방법은 두 가지가 있는데, 하나는 모멘트 방법(Moment of Moments)이며 다른 하나는 최대 가능성 추정(Maximum Likelyhood Estimation; MLE)이다. [Definition] 파라미터 한 개에 대한 모멘트 방법 점 추정만약 데이터 세트가 한 개의 미지의 파라미터 \(\theta\)에 의존하는 확률분포로부터 얻은 데이터 \(x_1 , ... , x_n\)이라면, 파라미터의 모멘트 방법 점 추정 \(\hat{\theta}\)은 다음 방정..
Data Science/Probability & Statistics
2014. 3. 24. 20:54